PERTEMUAN TUGAS KE-12

TUGAS KE-12
DATA WAREHOUSE DAN DATA MINING
Nama: Muhammad Irfan Baari
Jurusan: Ilmu Pengetahuan Alam (IPA)
Program Studi: Teknik Informatika (TI)
NIM: 421910004

1. Buatlah struktur/bagian data warehouse anda sendiri?

Jawaban:
2.3.1 Menentukan Bentuk Data Warehouse
Data warehouse, itu sendiri telah memiliki berbagai macam-macam bentuk yang sering
digunakan. Maka jadinya, sebelum dan setelah melakukan perancangan membangun sebuah
data warehouse, juga harus memutuskan bentuk data warehouse, seperti apa yang dibutuhkan
oleh aplikasi yang akan dirancang..

2.3.2 Anatomi Data Warehouse:

Penerapan awal dari arsitektur data warehouse, yang akan dibuat dengan berdasarkan
konsep-konsep bahwa data warehouse telah mengambil data dari berbagai sumber dan juga
pemindahan nya, ke dalam pusat pengumpulan data, yang lebih besar. Konsep ini sebenarnya,
lebih cenderung sebuah lingkungan Mainframe yang lebih sangat terpusat..
Lalu kemudian juga ada dari segi keunggulan teknologi client server, yang akan
memungkingkan data warehouse, yang telah diterapkan dalam berbagai macam-macam, cara
untuk menampung kebutuhan penggunaan sistem yang secara lebih sangat proporsional..
Dalam suatu kasus, seperti contoh misalkan saja, penggunaan tertentu perlu menggabungkan
data dari sebuah sistem pengumpulan data, yang statis, denan data dari sistem operasional,
yang sangat dinamis, hanya dengan sebuah Query data saja..

Berikut ini adalah 3 jenis dasar dalam data warehouse dan data mining, adalah sebagai
berikut:
 Functional Data Warehouse (Data Warehouse Functional)
 Kata operasional disini merupakan basis data (database), yang telah
diperoleh dari kegiatan sehari-hari.. Data warehouse, yang dibuat lebih
dari satu dan juga dikelompokan berdasarkan fungsi-fungsi yang ada di
dalam perusahaan seperti contoh misal nya, adanya, fungsi keuangan
(financial, marketing, persolity, dan lain sebagainya)..
Keuntungan dari bentuk data warehouse, seperti ini adalah sistem
lebih mudah, dibuat dengan biaya relative lebih murah.. Sedangkan
dengan kerugian nya, adalah resiko kehilanan konsistensi data dan juga terbatasnya,
dari kemampuan dalam pengumpulan data untuk bagi pengguna yang lain nya..

Functional
Source Data
Warehouse

Source

Functional
Source Data
Warehouse

Gambar 2.3.1 Bentuk Data Warehouse Fungsional

2. Centralized Data Warehouse (Data Warehouse Terpusat):

Bentuk ini bisa dapat dilihat seperti pada bentuk data warehouse fungsional, namun
tetapi secara terlebih dahulu, juga ada sumber data yang dikumpulkan dalam satu tempat
terpusat.. Lalu kemudian di dalam fungsi nya, masing-masing juga sesuai dengan kebutuhan
perusahaan.. Data warehouse, terpusat ini juga biasa sering digunakan oleh sejumlah perusahaan
yang masih belum memiliki jaringan eksternal.. Dari masing-masing setiap tempat perusahaan,
juga masih belum memiliki jaringan eksternal tersebut..
Dengan keutungan dari bentuk ini adalah data benar-benar terus terpadu oleh karena itu
adanya kekonsitensinan nya, yang lebih sangat tinggi.. Sedangkan dengan kerugian nya, adalah
dengan biaya yang lebih sangat mahal, serta juga memerlukan waktu yang cukup lama untuk
bisa dapat melakukan perancangan setiap basis data (database) (data warehouse)
itu tersebut..

Source Source

Centralized
Source Data
Warehouse

Functional
Source Data
Warehouse

Gambar 2.3.2 Bentuk Data Warehouse Terpusat

3. Distrbuted Data Warehouse (Data Warehouse Terdistribusi):

Pada data warehouse terdistribusi ini, digunakan oleh gateway, yang berfungsi sebagai
sebuah jembatan penghubung antara data warehouse dengan workstation yang lain nya, dengan
menggunakan sistem beraneka ragam.. Dengan sistem terdistribusi seperti ini, akan
memungkinkan sebuah perusahaan bisa dapat mengakses sumber data, yang berada di luar lokasi
local tempat jaringan eksternal.. Dengan perusahaan yang lain nya, juga masih berada ditempat
lokasi local tempat jaringan eksternal tersebut..
 Dari segi keuntungan nya, adalah data masih tetap terus konsisten, oleh karena itu
sebelum digunakan terlebih dahulu, akan disesuaikan atau mengalami proses sinkronisasi..
Sedangkan dari kerugian nya, adalah lebih sangat komplesks, untuk dapat diterapkan, karena
sistem operasi masih dikelola secara terpisah, dan juga biaya nya, yang paling
sangat mahal, jika dibandingkan dengan dua bentuk data warehouse yang
lain nya..

Source

Data Warehouse
Gateway

Source

Source

Gambar 2.3.3 Bentuk Data Warehouse Terdistribusi

2.3.3 Arsitektur dan Infrastruktur Data Warehouse:

2.3.3.1 Arsitektur Data Warehouse:

Menurut Poe, arsitektur adalah sekumpulan atau struktur, yang bisa dapat memberikan
kerangka untuk secara keseluruhan rancangan suatu sistem atau produk.. Ada arsitektur client-
server, arsitektur networking, dan masih banyak lagi.. Arsitektur data telah menyediakan
kerangka dengan mengindetifikasikan dan juga memahami bagaimana cara data akan berpindah
melalui sistem dan dapat digunakan oleh dalam perusahaan yang lain nya.. Arsitektur data itu
untuk data warehouse, yang memiliki komponen utama, yaitu (read-only) database, itu tersebut..
Dan lain sebagainya..
-Karakteristik Arsitektur Data Warehouse:
1. Data diambil dari sistem asalkan (sistem informasi, ada), database dan juga file
lain nya..
 2. Data dari sistem asalkan diintegrasikan dan juga di transformasi sebelum
melakukan penyimpanan ke dalam Database Management System (DBMS),
seperti itu Oracle, MS, MySQL, SQL, dan juga masih banyak lagi.. Dan lain
sebagainya..
3. Data warehouse itu merupakan sebuah database yang terpisah dan bersifat hanya
bisa dapat dibaca yang telah dibuat khusus untuk mendukung pengambilan
keputusna tertentu.. Dan lain sebagainya..
4. Pengguna hanya bisa dapat melakukan mengakses data warehouse dengan melalui

sistem aplikasi front end tool.. Dan lain sebagainya..

Arsitektur dan juga kompnen utama, dari data warehouse, bisa dapat dilihat pada gambar beikut
ini:

A. Data Operasional:
Sumber data dari data warehouse, itu bisa dapat diambil dan juga dapat diakses langsung
oleh Mainframe, bais data relasional, seperti itu Oracle, MS, MySQL, SQL, Server, dan lain
sebagainya.. Selain itu juga dapaat melalui operasional Data Source (ODS).. ODS, itu mampu
menampung data yang telah diekstrak, dari sistem utama atau sumber-sumber data yang telah
ada dan lalu kemudian data hasil ekstraksi tersebut, akan dibersihkan.. Dan lain sebagainya..

B. Load Manager:
Load Manager, itu juga dapat disebut sebagai sebuah kompoen-kompoen front-end, yang
bertugas melakukan seluruh operasi
Gambaryang berhubungan
2.3.4-Arsiektur dengan
Data ekstraksi dan Load-load Manager
Warehouse
data warehouse, yang lain nya.. Dan lain sebagainya..
C. Data Warehouse Managre:
Data warehouse manager, itu melakukan seluruh operasi-operasi, yang berhubungan
dengan kegiatan manajemen data di dalam data warehous.. Operasi-operasi tersebut akan
menjadi sebagai berikut:
 Analisis terhadap data untuk memastikan konsistensi
 Transformasi dan juga penggabungan sumber data dari tempat penyimpanan
sementara akan menjadi tabel-tabel data warehouse
 Penciptaan indeks-indeks dan penampilan view berdasarkan tabel-tabel dasar
 Melakuakn denormalisasi dan juga agregasi jika diperlukan
 Melakukan pencadangan data (backup data), dan juga pengarsipan data..
 Dan lain sebagainya..

D. Query Manager:
Query manager, juga dapat disebut sebuah komponen back-end, yang melakukan operasi-
operasi yang berhubungan dengan manajemen user dan query.. Operasi-operasi, oleh kompoen
ini, termasuk mengarahkan query, kepada tabel-tabel yang tepat dan juga menjadwalkan
pengeksekusian query data tersebut..

E. End-user Access Tools:

Prinsp atau tujuan utama dari dibangun nya, sebuah data warehouse, adalah untuk bisa
dapat menyediakan informasi bisnin, kepada pengguna lain nya (othe users).. Untuk dapat
melakukan pengambilan keputusan secara cepat dan tepat.. Pengguna (user), ini berinteraksi
dengan data warehouse melalui end-user access tools.. Data warehouse, juga harus secara
efisiensi dalam mendukung secara khsusus kebutuhan user serta rutin, dalam melakukan
analisis.. Performa yang baik, akan bisa dapat dicapai dengan melakukan perencanaan keperluan-
keperluan untuk melakukan jenis-jenis summantions, dan juga laporan per periode dengan end-
user, yang lain nya.. Dan lain sebagainya..
Berdasarkan kategori yang dikemukakan oleh Berson, dan Smith, terdapat lima kelompok
utama dari tools, antara lain, adalah sebagai berikut:
1. Reportingg and Query Tools
2. Application Development Tools
3. Executive Information Tools(EIS Tools)
4. Online Analytical Processing Tools(OLAP Tools)
 5. Data Mining Tools
Arsitektur dan juga infrastruktur datri data warehouse, yang sangat erat dengan hubungan dan
satu dengan yang lain nya.. Saling sangat berkaitan,. Dan lain sebagainya..

2.3.3.2 Infrastrktur Data Warehouse:

Infrastruktur data warehouse, adalah program perangkat lunak (software, hardware), yang
lain nya.. Pelatihan komponen yang lain nya.. Yang telah memberikan dukungan yang
dibutuhkan untuk dapat melakukan mengimplementasikan data warehouse.. Dan lain
sebagainya..
Salah satu instrument, yang telah mempengaruhi keberhasilan pengembangan data
warehouse, adalah melakukan pengindentifikasian data arsitektur yang baik, dan infrastruktur,
dari apa yang dibutuhkan.. Arsitektur yang sama, akan mungkin memerlukan infrastruktur yang
berbeda, namun tetapi tergantung pada lingkungan perusahaan ataupn juga pengorganisasian
nya.. Dan lain sebagainya..

2.3.4 Struktur data warehouse:

Seperti yang dilihat sebelumnya, pada arsitektur data warehouse, itu ada beberapa strutur
yang lebih sangat spesifik, terdapat pada bagian data warehouse manager.. Namun tetapi pada
bagian tersebut merupakan struktur data warehouse, yang lain.. Dan lain sebagainya..
Menurut dari Poe Vidette, data warehouse, itu memiliki struktur yang lebih sangat
spesifik, dan juga mempunyai dalam peningkatan penjelasan data (details), dan juga umur/usia
data tersebut.. Dan lain sebagainya..

Highly
Summarized

M
Lighty
E
Summarized
T
A
D
Current
A
T
A
 detail data

Older detail
Gambar 2.3.5 Metadata data

Dari komponen-komponen dari struktur data warehouse adalah sebagai berikut:

1. Current detaul data:
Current detail data, itu merupakan data detail, yang aktif saat ini mencerminkan
keadaan yang sedang berjalan dan merupakan level terendah dalam data warehouse..
Didalam area ini data warehouse menyimpan seluruh detail data yang terdapat pada
skema basis data.. Jumlah data sangat besar, sehingga akan memerlukan storage
penyimpanan yang lebih sangat besar.. Pula dan cepat dan tepat, bisa dapat diakses secara
cepat, dan juga cepat.. Dampak negative, yang telah ditimbulkan adalah adanya
kerumitan untuk mengatur data menjadi meningkat dan biaya yang diperlukan akan
relative menjadi sangat mahal..

Berikut ini beberapa alasan mengapa current detail data menjadi perhatian utama:
1. Menggambarkan kejadian yang terbaru terjadi dan selalu menjadi perhatian uatama
2. Sangat banyak jumlah nya, dan juga disimpan pada tingkat penyimpanan terendah
3. Hampir selalu disimpan dalam storage penyimpanan, oleh karenaitu lebih sangat cepat
diakses tetapi mahal dan kompleks di dalam pengaturan nya..
4. Bisa dapat digunakan dalam pembuatan rekapitulasi sehingga current detail data harus
tetap akurat..

2. Older detail data:

Data ini merupakan data historis dari current detail yang dapatt berupa hasil cadangan
atau archive data yang disimpan dalam storage penyimpanan terpisah.. Oleh karena itu bersifat
backup (cadangan ), maka biasanya, data disimpan dalam storage penyimpanan alternatif seperti
tape -desk.. Dan lain sebagainya.. Data ini biasanya, memiliki tingkat frekuensi akses yang
rendah.. Penyusunan file atau direktori dari data ini disusun berdasarkan dengan umur dari data
yang bertujuan untuk mempermudah dalam melakukan pencarian ataupun juga pengaksesan
kembali.. Dan lain sebagainya..

3. Lighty summarized data:

Data ini merupakan ringkasan atau rangkuman dari current detail data.. Data ini
dirangkumkan berdasarkan dengan periode atau dimensi lain nya, sesuai dengan kebutuhan..
Ringkasan dari current detail data, yang belum bersifat total summar.. Data-data ini memiliki
detail peningkatan yang lebih tinggi dan mendukung data warehouse pada tingkat departemen..
Tingkatan data ini disebut juga dengan data mart (datamart).. Akses terhadap data jenis ini sanat
banyak digunakan untuk penampilan view tertentu dalam situasi kondisi yang sedang atau sudah
berjalan.. Dan lain sebagainya..

3. Highly Summarized data:

Data ini merupakan tingkat lanjutan dari Lightly summarized data, yang merupakan hasil
ringkasan yang bersifat totalitas, bisa dapat diakses seperti contoh misalnya, untuk melakukan
perbandingan data yang berdasarkan dengan urutan waktu tertentu, dan juga analisis yang telah
menggunakan data multi dimensi.. Dan lain sebagainya..

4. Metadata:
Metadata, ini bukan merupakan data hasil kegiatan seperti keempat jenis data yang
diatas.. Menurut Poe, metadata, adalah data tentang data, yang menyediakan informasi tentang
struktur data dan juga hubungan antara struktur data di dalam atau antara storage penyimpanan
(tempat penyimpanan data)..
Metadata, ini telah berisikan data yang telah menyimpan proses dari perpindahan data
yang meliputi basis data (database), structure, contents, detail, data dan juga summary data,
matrics, versioning, aging criteria, versioning, transformation criteria.. Metadata telah khusus
dan juga menjaga peranan yang sangat penting dalam data warehouse tersebut.. Dan lain
sebagainya..

Metadata sendiri mengandung sebagai berikut:

 Struktur data
Sebuah struktur data, yang dapat membantu pengguna (user), untuk melakukan
analisis Decission Support System dalam melakukan pencarian letak/lokasi dalam data
warehouse tersebut.. Dan lain sebagainya..

 Algoritma
Algoritma itu digunakan untuk melakukan ringkasan data Metadata, sendiri
merupakan panduan untuk algoritma dalam melakukan pemprosesan ringkasan data
antara current detail data, dengan lightly summarized data, dan juga lightly summarized
data, dengan hightly summarized data warehouse.. Dan lain sebagainya..

 Mapping
 Sebagai panduan pemetaan/(mapping), data pada saat melakukan pen
transformasian data/data dirubah dari lingkup operasional yang akan menjadi ruang
lingkup data warehouse tersebut.. Dan lain sebagainya..

2.3.5 Metodelogi Perancangan Database untuk Data Warehouse:

Menurut Kimball, ada Sembilan tahap metodelogi dalam perancangan database untuk
data warehouse, adalah sebagai berikut:

Langkah 1: Pemilihan proses:

 Data Mart, yang pertama kali, telah dibangun haruslah data mart, yang dapat dikirimkan
lebih tepat waktu dan juga dapat menjawab seluruh semua pertanyaan bisnsi yang paling
sangat penting..

 Pilihan terbaik untuk data mart, yang pertama adalah yang saling berhubungan dengan
sales harga jual, seperti contoh misal nya, adanya property sales leasing, property
advertising.. Dan lain sebagainya..

Langkah 2: Pemilihan sumber:

 Untuk memutuskan secara pasti apa yang harus diwakili atau direpresentasikan oleh
sebuah tabel-tabel fakta..

 Seperti contoh misalnya, jika sumber dari sebuah tabel fakta property sales, adalah
property sales individual, maka jadinya, sumber informasi dari sebuah dimensi
pelanggan yang membeli property utama.. Dan lain sebagainya..

Langkah 3: Pengindentifikasi dimensi:

 Set dimensi yang telah dibangun dengan baik, akan memberikan kemudahan untuk dapat
memahami dan juga menggunakan data mart tersebut.. Dan lain sebagainya..
  Dimensi ini sangat pentinhg untuk menggambarkan fakta-fakta yang terdapat pada tabel
fakat tersebut.. Dan lain sebagainya..

 Seperti contoh misalnya, setiap data pelanggan pada tabel dimensi pembeli yang telah
dilengkapi dengan id_pelangan, no_pelanggan, tipe_pelanggan, tempat_tinggal, dan lain
sebagainya..

 Maka jadinya, jika ada dimensi yang masih muncul pada dua data mart, kedua data mart,
itu tersebut, akan harus berdimensi sama, atau paling tidak salah satunya, adalah harus
berupa subset matematis dari yang lain nya.. Dan lain sebagainya..
 Maka jadinya, jika sebuah dimensi digunakan pada dua data mart, atau lebih dan dimensi
ini tidak disinkronisasi, maka jadinya, secara keseluruhan data warehouse, akan gagal..
Oleh karena itu ada dua data mart, yang tidak bisa digunakan secara bersama-sama.. Dan
lain sebagainya..

Langkah 4: Pemilihan fakta:

 Sumber dari sebuah tabel fakta telah menentukan fakta yang mana, yang bisa digunakan
dalam data mart..
 Seluruh semua fakta harus diekspresikan pada tingkat yang telah ditentukan oleh sumber
tersebut..
Langkah 5: Penyimpanan pre-kalkulasi di tabel fakta:
 Hal ini terjadi jika apabila fakta kehilangan statement..

Langkah 6: Melengkapi tabel dimensi:

 Pada tahap ini harus menambahkan keterangan selengkap-lengkapnya, pada tabel
dimensi..
 Keterangan nya, harus bersifat intuitif, dan mudah dipahami oleh pengguna (user)..

Langkah 7: Pemilihan durasi basis data (database):

 Seperti contoh misalnya, pada suatu perusahaan asuransi, yang mengharuskan data
disimpan selama 10 tahun atau juga lebih dari tahun.. Dan lain sebagainya..

Langkah 8: Penelusuran perubahan dimensi yang perlahan:

Ada tiga tipe perubahan dimensi yang perlahan, yaitu adalah sebagai berikut:
 1. Tipe 1 atritbut dimensi yang telah dirubah tertulis ulang
2. Tipe 2 atribut dimensi yang telah berubah menimbulkan sebuah dimensi terbaru
3. Tipe 3 atribut dimensi yang telah berubah menimbulkan alternatif, sehingga nilai
atribut lama dan yang terbaru, bisa dapat diakses kembali secara bersama-sama pada
dimensi yang sama-sama..

Langkah 9: Menentukan prioritas dan mode query:

 Pada tahap ini haru menggunakan perancangan fisik.. Dengan langkah-langkah
sebelumnya, suda harus bisa membangun sebuah data warehouse yang lebih baik dan
benar.. Dan lain sebagainya..
2.3.6 Model Data Warehouse:
Berikut ini adalah dari hasil penjelasan dari model untuk data warehouse.. Dan lain
sebagainya..

2.3.6.1 Model Dimensional:

Model dimensional itu merupakan rancangan logika yang bertujuan untuk bisa dapat
menampilkan data dalam bentuk standar, dan juga intuitif, yang memperbolehkan akses-akses
dengan performa yang tinggi.. Dan lain sebagainya..
Model dimensional menggunakan konsep model hubungan antara entity relationship
diagram (ERD), dengan beberapa batasan yang terpenting.. Setiap model dimensi terdiri dari
sebuah tabel dengan sebuah komposit primary key, yang disebut dengan tabel fakta, dan satu set
tabel yang lebih kecil, disebut tabel dimensi.. Setiap tabel dimensi memiliki sebuah simple
primary key, yang mampu merespon tepat waktu, pada satu komponen primary key, pada tabel
fakta.. Dengan kata lain primary key, pada tabel fakta terdiri dari dua atau lebih foreign key..
Struktur karakteristik ini disebut dengan skema bintang atau join bintang.. Dan lain sebagainya..
Fitur terpenting dalam model dimensional ini adalah seluruh semua natural keys, akan
diganti dengan kunci pengganti (surrogate keys).. Maksudnya, adalah yaitu setiap kali join antara
tabel fakta dengan tabel dimensi selalu didasarkan kunci pengganti.. Dari kegunaan dari kunci
pengganti ini adalah memperbolehkan data pada data warehouse, untuk memiliki beberapa
kebebasan dalam penggunaan data, yang tidak seperti hanl-halnya, yang telah diproduksi oleh
sistem OLTP.. Dan lain sebagainya..
Sebuah sistem OLTP, juga memerlukan normalisasi untuk mengurangi redundansi, validasi
untuk penginputan data, yang mendukung volume yang lebih besar, dari transaksi yang bergerak
sangat cepat dan juga tepat.. Model OLTP, ini sering terlihat seperti jejaring laba-laba yang
terdiri dari atas ratusan atau bahkan ribuan table sehingga sangat sulit untuk dimengerti atau
bahkan juga dipahami oleh seseorang pengguna (user).. Dan lain sebagainya..
 Namun tetapi sebaliknya, tabel dimensi, ini yang sering digunakan pada data warehouse,
adalah skema bintang , atau juga snowflake, yang mudah dimengerti dan dipahami dan sesuai

dengan kebutuhan bisnis, yang mendukung query database, sederhana.. Dan juga menyediakan
performa query database, yang lebih sangat superior, dengan meminimalisasi tabel-tabel join..
Dan lain sebagainya..

Berikut ini adalah contoh perbandingan antara model data OLTP, dengan dimensi tabel
data warehouse, adalah sebagai berikut, dibawah ini:

jumlah_tabungan

Kelas
foto
nama

1-Gambar Model Data OLTP

 tanggal nis
Gambar 2.3.7 Dimension Model

2.3.6.1.1 Skema bintang:

Skema bintang itu merupakan struktur logika yang memiliki tabel fakta yang terdiri
dari atas data factual ditengahnya, dan dikelilingi oleh tabel-tabel dimensi yang berisi refrensi
data tersebut..

tabungan pemakai_tabungan
-id_tabungan: varchar(10 -id_pt: int(9)
-nis: bight(9) -nis:bight(10)
-nama: varchar(40) -nama:varchar(20)
-kelas: varchar(19) -kelas: varchar(19)
-tahun_ajaran: varchar(20) -tahun_ajaran:varchar(10)
1 1
-jumlah_nominal: int(11) siswa -jumlah_pemakaian: int(40)
-tanggal: date() -nis: bight(10) -keterangan: varchar(30)
+add() 1 -tanggal: date()
-nama: varchar(29)
+get tanggal now() -tahun_ajaran: varchar(30)
user +add()
+get nis() -jenis_kelamin: varchar(30)
-nis: bigth(10) +get nist()
-nama: varchar(50) -kelas: varchar(19) +get tanggal now()
-id_level: int(11) -jumlah_normal_tabungan: level
11 int(10)
-password: varchar(10) -id_level: int(3)
+add()
-foto: blob -level: varchar(40)
+update()
+add() +add()
+delete()
+update() +update()
+delete() +delete()
 1
1

Skema
Bintang Table
Jenis-jenis- Skema
Bintang:
 Skema
bintang

sederhana
Dalam skema ini, setiap tabel harus memiliki kunci primary key yang terdiri dari satu
kolom atau lebih dari satu kolom tersebut.. Dan lain sebagainya..

Kunci primary key, dari tabel fakta yang terdiri dari satu atau foreign key, yang
merupakan kunci primary key.. Pada tabel..
 Adapun dari ketentuan dalam pembacaan skema bintang adalah sebagai berikut:
 Bagian yang ada di bawah judul tabel merupakan kolom-kolom tabel tersebut
 Kunci primary key, dan kunci foreign key dapat diberikan kota
 Kunci primary key yang diarsir kunci foreign key yang bukan kunci primary key atau
tidak
 Kunci foreign key, yang saling berhubungan dan ditunjukan dengan garis yang
menghubungkan tabel

Kolom yang bukan kunci disebut kolom data pada tabel fakta dan atribut pada tabel
dimensi tersebut.. Dan lain sebagainya..

2.3.6.1.2 Snowflake Schema:

Merupakan varian dari skema bintang yang dimana tabel-tabel dimensi tidak terdapat
data yang telah denormalisasi. Dengan kata lain satu atau lebih tabel dimensi tidak bergabung
secara langsung kepada tabel fakta namun tetapi tabel dimensi lain nya.. Sebagai contoh sebuah
dimensi yang telah mendeskripsikan kunci tabungan_tunai, dan lain sebagainya..
pemakai_tabungan
tabungan -id_pt: int(9)
-id_tabungan: varchar(10 -nis:bight(10)
-nama:varchar(20)
-nis: bight(9) -kelas: varchar(19)
-nama: varchar(40) -
tahun_ajaran:varchar(10)
-kelas: varchar(19) -jumlah_pemakaian:
-tahun_ajaran: varchar(20) int(40)
-keterangan: varchar(30)
-jumlah_nominal: int(11) -tanggal: date()
-tanggal: date()
+add()
+add()
+get tanggal now()
+get nist()
+get nis() +get tanggal now()
 siswa
-nis: bight(10)
-nama: varchar(29)
-tahun_ajaran:
varchar(30)
-jenis_kelamin:
varchar(30)
-kelas: varchar(19)
-
jumlah_normal_tabungan:
int(10)
+add() level
+update()
+delete() -id_level: int(3)
-level: varchar(40)
+add()
+update()
+delete()

Snowflake Schema

2.3.6.1.3 Star atau Snowflake:

Kedua nya, itu merupakan model-model dimensional, perbedaan nya, terletak pada
pengimplementasian fisikal, Skema, Snowflake, yang memberikan kemudahan pada perawatan
dimensi, dikarenakan strukturnya, yang lebih normalisasi.. Sedangkan dengan skema bintang
jauh lebih efisiensi serta juga sederahana dalam membuat query database dan juga mudah
diakses secara langsung oleh pengguna.. Dan lain sebagainya..
 Adapun starflake, merupakan penggabungan diantara keduanya.. Keuntungan dengan
menggunakan masing-masing model tersebut, dalam data warehouse antara lain adalah sebagai
berikut:
 Efisiensi dalam hal pengaksesan data
 Bisa dapat beradaptasi terhadap kebutuhan pengguna (user)
 Bersifat fleksibel terhadap perubahan yang terjadi khususnya, perubahan pada
perkembangan
 Memiliki kemampuan dalam memodelkan situasi kondisi bisnis secara umum
 Meskipun skema yang dihasilkan masih sangat kompleks, namun tetapi dari segi
pemprosesan query database, yang dapat diperkirakan, hal ini dikarenakan pada
level terendah, setiap tabel fakta itu harus di query database secara independent..
Dan lain sebagainya..

SELESAI, DAN SALAM… 